基于深度学习理论的车载电源健康诊断方法研究

发布时间：2020-07-22 01:38

【摘要】：军用车载电源是现代军队武器装备野外作战时的主要电能来源,其健康状态诊断作为一项确定车载电源运行状态的技术方法,可以及时评价设备的运行状态并诊断其故障所在,符合车载电源提高其运行的安全性、可靠性、经济性要求。论文正是在这种背景下,围绕车载电源的健康评估方法、故障诊断方法等关键技术问题展开的研究。鉴于深度学习方法在数据的特征提取中的突出优势,本文主要基于DBN进行了车载电源健康状态判断、故障诊断等方法的研究。论文的研究成果对提高车载电源设备管理水平具有重要的应用价值。本文的主要工作包括:1)基于DBN-MD的车载电源健康状态评估方法研究针对车载电源制造企业与其军方用户对车载电源进行健康状态评估的需求且实际相关研究成果较少的问题,本文提出了一种基于DBN-MD的车载电源健康状态评估方法。首先采用DBN方法,对车载电源健康与异常的运行数据进行离线训练,以识别车载电源的健康状态;在线运行时根据DBN健康状态识别模型对实时数据中的异常数据作出指示,利用马氏距离对车载电源的健康程度进行评估,及时高效的对车载电源健康状况作出准确的评价,实验结果表明,利用DBNMD的方法对车载电源的健康状态进行评估具有良好的效果。2)基于DBN的车载电源故障诊断方法研究针对车载电源故障机理复杂且知识经验不足,传统浅层神经网络诊断效果难能满意的问题,本文研究了基于DBN的车载电源故障诊断方法。该方法借助于车载电源仿真系统采集的几种常见故障数据,对DBN进行预训练与反向微调,构建了车载电源相应故障的深度诊断神经网络,从而实现了车载电源几类常见故障的有效智能诊断。该方法的优势在于能够将车载电源的故障特征提取与故障诊断有机融合,摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖,仿真实验也进一步昭示出文中方法在车载电源故障诊断中的有效性和适宜性。3)基于PCA-DBN的车载电源故障诊断方法研究针对基于多个测量量组成的数据集进行网络训练和故障诊断时,由于变量多且之间并非互相独立,使建模与诊断的精度及时间都会受到影响的问题,本文提出了一种基于PCA-DBN的车载电源故障诊断方法,该方法在建立车载电源深度网络故障诊断模型时,先采用PCA对数据集进行降维,以消除冗余提取更有效的信息;接着以此对DBN进行预训练与微调,并进而用于车载电源的故障诊断。仿真结果表明,文中方法较单一DBN及PCA与浅层网络结合的方法,有更好的故障诊断精度与时效性。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：E923
【图文】：

示意图,车载电源,示意图,健康状态

阶段1离线训练阶段阶段2在线评估阶段运行异常指示计算马氏距离健康状态评估NO图 2.3 车载电源健康状态评估路线载电源仿真平台与数据获取载电源及其仿真平台载电源是一种电力设备，车辆电源系统构成了一个独立完整的电力要结构分析可知，其主要结构包括柴油发电机组、降噪厢体、汽车底2.5 给出了车载电源及其结构示意图。

车载电源,故障诊断

图 3.3 训练误差曲线3.3.3 故障诊断结果与分析图 3.4 给出了 500 组随机测试数据中 5 类车载电源的故障状况的诊断结果，可以看出实验故障均能有效的诊断出来。由于测试样本个数为 500，在测试样本较多的情况下，故障诊断结果图示过于密集，不易观察，为使诊断结果显示更为清楚，本章在 500 测试样本中随机选取了 100 个样本的故障诊断结果。图 3.4 车载电源故障诊断结果对车载电源进行 20 次的故障诊断实验准确率如图 7 所示。为体现在车载电源故障诊断中采用 DBN 的优势，在图 3.5 一并给出了使用浅层 BP 网络诊断相同故障数据集的结果。为进一步定量对比以上两种方法的故障诊断精度，计算 20 次故障诊断实验的平均故障诊断准确率及相应的标准差如表 3.2 所示，表 3.2 给出了各类故障的预测准确率。0 10 20 30 40 5000.10.20.30.40.50.60.7迭代次数/次练误差训

准确率,故障诊断,车载电源

基于深度学习理论的车载电源健康诊断方法研究3) 结果分析由图 4.2、4.3、4.4、4.5 所示可以直观看出，使用深度置信网络后的诊断统浅层神经网络 BPNN 和 PNN 方法的诊断结果更加精确。为进一步评价 PCA-BP、PCA-PNN、DBN 和 PCA-DBN 等方法的诊断效每种方法仍进行了 20 次故障诊断实验，以减少随机因素对于实验的影响法对车载电源的 20 次实验的故障诊断准确率，如图 4.6 所示，本章一并4 种方法在实验中平均故障诊断准确率、标准差和相应方法的诊断时间，4.4。100

【参考文献】